Lexicographic Multi-objective Order Picking Optimization for Robotic Mobile Fulfillment Systems
Notice bibliographique
Résumé
In light of advancements in artificial intelligence, the Internet of Things, and mechatronics, robots are increasingly integrated into e-commerce warehouses to enable smart order picking solutions and foster intelligent automation. A robot-assisted order picking process revolutionizes the traditional labor-intensive person-to-goods order picking technology, leading to a goods-to-person (G2P) smart warehouse. Within it, robots transport pods to predefined picking stations, where human pickers retrieve the requested goods from these pods to fulfill customer orders. The allocation of pods to robots and the scheduling of picking operations are key optimization issues in G2P order picking systems. Although they play a key role in improving operational efficiency, existing research has paid limited attention to their joint optimization. This study considers a lexicographic multi-objective optimization problem to shorten the order picking cycles under the premise of optimizing the picking efficiency evaluated by makespan. We build a mixed integer program for the newly proposed problem and develop a matheuristic algorithm by integrating a commodity-order model into a metaheuristic algorithm to solve it. Experimental results show that the proposed method can significantly shorten the total order picking cycles while keeping the minimum makespan. It outperforms a recent state-of-the-art algorithm. This work emphasizes the importance of joint optimization within G2P smart warehouses and reveals the high potential of the proposed method to be used in practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».